中国开源模型正成为西方AI的底座

前不久，一批来自美国风险投资机构的合伙人在中国对多家 AI 企业进行了一轮深入调研，他们将观察结果整理成内部信并与出资人分享。信中从技术、生态与商业三个层面总结了中国 AI 近年来的发展特征以及这对跨太平洋产业链的影响，主要观点可以归纳如下：

1、资源匮乏反而催生了底层工程能力 美国对华出口管制本意在于拖慢中国的 AI 进展，但反而制造了强烈的“资源约束”，迫使国内团队在更底层展开优化工作。受限于算力，很多团队不得不深入硬件和编译器层面做工程改造：在性能受限的卡上训练、绕开常用的中间件直接在更底层的指令级别编程，甚至对 GPU 的流式多处理器进行重新划分以优化跨节点通信。这种做法并非美国工程师做不到，而是两国的激励不同——美国市场更倾向于用资本换算力，而在中国，缺乏可直接购买的算力促使团队通过增聘擅长编译、系统优化的人才来降低整体对算力的依赖，形成了一种从系统到芯片的“全栈效率文化”。这种能力是持续积累的，而不是一次性资本投入。

2、中国开源模型迅速进入西方生产环境 在短短不到十八个月内，中国的开源模型在西方的使用量迅速增长：在一些路由和托管平台上，原本占比极小的中国模型其 Token 消耗份额暴涨至接近半数；像 Qwen 这样的模型家族也在开源社区获得了极高的下载次数。相当比例的美国 AI 初创公司已经在内部部署了至少一款中国开源模型。开源路径绕开了传统采购审查——模型可以被内部直接部署，不会出现把“供应商”列入黑名单的问题。 球友会

但有一层悖论：虽然中国模型在西方被广泛部署并承担了大量的推理负载，但实际产生的主要营收仍流向云服务商——那些提供计算资源、按 Token 收费的厂商。换言之，开源降低了模型使用成本，打压了模型开发者直接定价的空间，反而把收益集中到了云端的基础设施提供方。所以，开源生态客观上把利润的最大头分配给了云服务商，而非模型的原始开发者。

3、中国领先模型之间的内部竞争非常激烈 当前中国最前沿的模型阵营并不由少数寡头垄断，而是由多家实验室同时竞争，例如 DeepSeek、Qwen、Kimi、Doubao 和 GLM（注：并非所有团队都完全开源）。这些团队之间的差距很小，排名和能力评估经常发生变动。相比中美之间的竞争，中国内部各自为战、争先发布与不断迭代的态势更为显著——在这段时间里，该感觉尤为明显：中国模型彼此之间的博弈，甚至可能比它们与美国模型的直接对抗更为激烈。

4、AI 产品化流程在太平洋两岸来回循环 现在一条典型的产品化路径往往跨越美中两地：美国顶尖实验室推动出最前沿的 SOTA 模型；中国团队对这些模型进行蒸馏或二次训练并开源；随后美国的 AI 服务商基于这些开源版本再做微调并包装成面向企业的产品。市场上已经出现多个例子：一些所谓“自主研发”的产品被发现其实建立在中国开源模型之上，或者是在这些模型基础上进行的延训练与定制。与一年前倾向于直接采用如 Llama、Mistral 等西方开源模型不同，当前美国垂直行业很多底层组件已逐渐建立在中国开源模型之上，而这些模型内部又吸纳了来自美国前沿研究的技术成果。 球友会

5、数据与评测环节也在重构 数据标注和评测的生态也出现了跨国交织。一些美国数据公司与中国大型互联网公司开展商业合作；与此同时，中国新兴公司不再仅做传统标注业务，而转向构建评测和验证基础设施，提供更高质量的基准与监督方法。个别新创企业推出的 Rubric 驱动的监督与小模型训练策略，已经被国外实验室在模型报告中引用并获得了良好效果。这反映出另一种用“更好监督替代更多算力”的思路，与前述算力受限下的工程优化路径相一致。这样的公司多数成立时间不长，但其中少数在短时间内实现了快速营收增长。

6、美中面对的限制是相反的 两国在资源与约束上的差异非常明显且呈相反方向：例如在电力和基础设施扩容上，中国近年新增的供给规模远超美国，但与此同时受限于高端算力和芯片供应的外部限制；而美国虽然能更容易地通过资本获得计算资源，却在产品化激励、效率优化层面表现出不同的选择。结果是，两边在技术路径与商业模式上形成互补但复杂的依赖关系：一端靠大量资本和云端算力驱动应用创新，另一端靠工程优化与高质量监督减少对算力的依赖并推动开源生态的繁荣。

综合来看，这份来自美国投资者的观察显示：跨太平洋的 AI 生态正变得高度互联，中国开源模型已迅速成为西方许多产品与服务的基础层。这样的演进既带来新的竞争格局，也产生了复杂的商业分配效应——特别是在收益更多由云基础设施方捕获、而非模型原作者的情况下。对投资者和行业参与者来说，这一态势既充满机会，也提出了新的战略与政策挑战。 球友会